Logo de Keras

Con la gran popularidad que ha ganado el uso de la inteligencia artificial en diferentes ámbitos, el «Deep Learning» (aprendizaje profundo), también ha logrado tomar gran relevancia, ya que es utilizado para la toma de decisiones, la detección de objetos, el reconocimiento del habla, la traducción de idiomas y para muchas tareas más, porque solo mencionó algunas de las utilizadas.

Solo por mencionar un ejemplo, el aprendizaje profundo es utilizado en las cámaras de vigilancia de hoy en día y en este caso estamos hablando de un uso comercial, lo cual representa un gran mercado y sobre todo porque la videovigilancia ya no es un lujo, sino que ha comenzado a volver una necesidad.

De esta forma existe una gran variedad de proyectos tanto comerciales y de código abierto, tanto para este ámbito de la videovigilancia como para los demás casos de uso del aprendizaje profundo.

Sobre Keras

Dejando de lado el tema comercial y centrándonos un poco más en el título del artículo, me gustaría hablar un poco sobre Keras, la cual es una (API) de red neuronal de alto nivel escrita en Python. Esta biblioteca de redes neuronales de código abierto está diseñada para proporcionar una experimentación rápida con redes neuronales profundas y puede ejecutarse sobre CNTK, TensorFlow y Theano.

Lo que destaca a Keras de otros proyectos similares, es que está diseñada para que las personas puedan aprenderla fácilmente, ya que fue creado para ser simple, con APIs consistentes y simples, reduce las acciones necesarias para implementar código común y explica claramente los errores del usuario.

Keras proporciona una interfaz de Python con un alto nivel de abstracción y, al mismo tiempo, tiene la opción de múltiples servidores para fines de cálculo. Esto hace que Keras sea más lento que otros marcos de aprendizaje profundo, pero extremadamente amigable para principiantes. ya que se centra en ser modular, fácil de usar y extensible. No maneja cálculos de bajo nivel; en cambio, los transfiere a otra biblioteca llamada Backend.

Otro punto a favor de Keras, es que permite a los usuarios producir modelos profundos tanto en iOS, Android, asi como también en la web y en JVM, además de que tiene un sólido soporte para múltiples GPU y soporte de capacitación distribuida.

Keras 3

Cabe mencionar que Keras, actualmente se encuentra sobre su rama 3.x, la cual fue liberada hace pocas semanas y esta nueva rama ha estado recibiendo ya algunas mejoras y correcciones, con lo cual podemos darnos cuenta de que el proyecto está en constante desarrollo y que cuenta con una gran comunidad activa.

Keras estuvo durante varios meses de intensas pruebas beta públicas y el lanzamiento de Keras 3 representa una reescritura completa con lo cual se han mejorado las capacidades para entrenar e implementar modelos a escala.

Dentro de las principales características de esta nueva rama de Keras 3, se destaca lo siguiente:

Soporte multibackend

Sin dudas una de las grandes novedades de Keras 3.0 es su soporte sin precedentes para múltiples backends, ya que actúa como un superconector con la capacidad de seleccionar dinámicamente el backend que proporcionará el mejor rendimiento sin tener que cambiar nada en el código.

Mejoras de rendimiento

Otro de los aspectos destacados de clave de Keras 3.0, son las mejoras de rendimiento, porque aprovecha la compilación XLA (Álgebra lineal acelerada) para optimizar los cálculos matemáticos, además de que duplica la optimización del rendimiento, integrando técnicas como el entrenamiento de precisión mixta y el entrenamiento distribuido

Ecosistema ampliado

Con esta nueva actualización, Keras recibió mejoras de soporte y con ello se puede crear una instancia como PyTorch, se puede exportar como un modelo de TensorFlow o se puede crear una instancia como una función JAX sin estado. Esto significa que puede aprovechar las fortalezas de cada marco ampliado del ecosistema de Keras a no estar encerrado en un único ecosistema.

Cabe mencionar que Keras 3 es altamente compatible con Keras 2, ya que implementa la API de Keras 2, con un número limitado de excepciones, por lo que mayoría de los usuarios no tendrán que realizar ningún cambio de código para comenzar a ejecutar sus scripts de Keras en esta nueva versión.

Finalmente, si estás interesado en poder conocer más al respecto, puedes consultar los detalles de esta nueva rama en el siguiente enlace. Si quieres conocer el ¿cómo implementar Keras? en tu sistema, puedes consultar los métodos de instalación en este enlace, mientras que para asi como documentación y casos de uso para aprender sobre ello, lo puedes hacer en este enlace.